خلاصة:
شناخت لندفرمها و نحوه پراکنش آنها از نیازهای اساسی در علم ژئومورفولوژی کاربردی و سایر علوم محیطی است و نقشه لندفرمها نمایانگر اشکال سطح زمین و نیز ماهیت فرآیندهایی است که در زمان حاضر رخ میدهند. هدف از این تحقیق، شناسایی لندفرمها و کاربریهای اراضی حوضه آبریز قرنقو با استفاده از روشهای طبقهبندی شیگرا شامل الگوریتم نزدیکترین همسایه و آستانهگذاری میباشد. بدین منظور از تصاویر ماهواره لندست برای بازه زمانی 1990 (TM) و 2020 (OLI) استفاده شد. برای اعمال طبقهبندی در گام نخست تصحیحات اتمسفری و رادیومتریکی بر روی تصاویر اعمال شد و سپس به منظور شناسایی و استخراج بهتر پدیدهها از الگوریتمهای PCA و MNF استفاده شد. برای انجام طبقهبندی تصاویر ماهوارهای نیز از روشهای طبقهبندی شیگرا شامل روش نزدیکترین همسایه و آستانهگذاری بهره گرفته شد. برای صحت نقشههای تولید شده با استفاده از ضریب کاپا و صحت کلی استفاده گردید. نتایج ارزیابی روشهای مورد استفاده نشان داد که روش نزدیکترین همسایه دارای دقت بیشتری نسبت به روش آستانهگذاری میباشد. همچنین نتایج حاصل از طبقهبندی نشان داد که بیشترین میزان تغییرات کاهشی در خلال سالهای 1990-2020 مربوط به کاربری مرتع متراکم میباشد، چرا که 49/12 درصد کاهش داشته است و بیشترین میزان تغییرات افزایشی مربوط به کاربری زراعت آبی میباشد که 83/10 درصد افزایش داشته است که مهمترین علت این افزایش مساحت را میتوان به احداث سد سهند در طول زمان ارتباط داد.
Identification of landforms and the way of their distribution is one of the basic needs in applied geomorphology and other environmental sciences and landform maps show the shapes of the earth's surface. This project aims to identify the landforms of the Qaranqu catchment area using object-oriented classification methods including nearest neighbor algorithm and thresholding. Landsat satellite imagery for 1990 (TM) and 2020 (OLI) was used for this purpose. First, to apply the classification, atmospheric and radiometric corrections were applied to the images, then to better identify and extract the phenomena, principal component analysis (PCA), and MNF algorithms were used to classify satellite images using classification methods. Object-oriented, which included the nearest neighbor method and thresholding was used. For the accuracy of the maps produced using the two methods of Kappa index and the overall accuracy of the use, the results revealed that the nearest neighbor method is more accurate than the thresholding method. The classification results showed that the highest rate of decreasing changes during 1990-2020 is related to dense rangeland because it has decreased by 12.49 percent and the highest rate of incremental changes is related to irrigate agriculture which is 10.83 percent. The most important reason for this increase is the construction of Sahand Dam over time. In the absence of well-organized planning and the adoption of appropriate policies, the destruction of rangeland will continue and turning it into arable land, which leads to irreparable environmental and economic losses in the region.
ملخص الجهاز:
جدول (٣): ضریب همبستگی تصویر سال ١٩٩٠ با استفاده از تبدیل مؤلفه اصلی Table (3): 1990 image correlation coefficient using principal component analysis (به تصویر صفحه رجوع شود) / (به تصویر صفحه رجوع شود) شکل (٧): نمودار ضریب همبستگی تصویر سال ١٩٩٠ با استفاده از تحلیل مؤلفه اصلی Figure (7): 1990 Image correlation coefficient diagram using principal component analysis جدول (٤): ضریب همبستگی تصویر سال ٢٠٢٠ با استفاده از تحلیل مؤلفه اصلی Table (4): 2020 Image correlation coefficient using principal component analysis (به تصویر صفحه رجوع شود) / (به تصویر صفحه رجوع شود) شکل (٨): نمودار ضریب همبستگی تصویر سال ٢٠٢٠ با استفاده از تحلیل مؤلفه ی اصلی Figure (8): Image correlation coefficient diagram for 2020 using principal component analysis جدول (٥): میزان درصد لندفرم ها و کاربریهای اراضی با روش شیگرا و الگوریتم نزدیک ترین همسایه Table (5): Landform and Landuse percentage by object-oriented method and nearest neighbor algorithm لندفرم کاربری اراضی سال ١٩٩٠ سال ٢٠٢٠ روند تغییرات --- باغ ١/٣٢ ٢/٥٠ افزایشی --- بایر ١٣/٣٢ ٩/٨٤ کاهشی دشت --- ١٠/٣٥ ٧/٣٩ کاهشی مخروط واریزه ای --- ٢٢/٨٧ ١٩/٣٢ کاهشی --- مرتع متراکم ١٤/٨٦ ٨/٥٦ کاهشی --- مرتع متوسط ١١/٧١ ١٢/٧٠ افزایشی --- مرتع ضعیف ٥/٦ ٣/٦٥ کاهشی --- مسکونی ٠/١٠ ٢/٢٥ افزایشی پهنه نمکی --- ٥/١٦ ٢/٨٢ کاهشی پهنه سیلابی --- ٠/٨٥ ٠/٢٠ کاهشی --- سد ٠/٠٣ ٠/١٨ افزایشی صخره --- ٥/٩٠ ٦/٣١ افزایشی تپه --- ١/٨٩ ٣/١١ افزایشی --- پوشش گیاهی ١/١١ ١/٣٣ افزایشی --- زراعت آبی ٣/٩٠ ١٥/٣٢ افزایشی --- زراعت دیم ٠/٩٧ ٤/٤٢ افزایشی (به تصویر صفحه رجوع شود) شکل (٩): نقشه ی طبقه بندی شیگرا با الگوریتم نزدیک ترین همسایه سال ١٩٩٠(سمت راست ) و سال ٢٠٢٠(سمت چپ ) Figure (9): Object-oriented classification map with nearest neighbor algorithm 1990 right) and 2020 ((left) (به تصویر صفحه رجوع شود) شکل (١٠): نمودار مساحت کلاس ها ٢٠٢٠(رنگ قرمز) و ١٩٩٠ (رنگ آبی) الگوریتم نزدیک ترین همسایه Figure (10): Graph area chart of 2020 (red) and 1990 (blue) nearest neighbor algorithm بررسی آشکارسازی تغییرات با استفاده از روش شیگرا و روش آستانه گذاری آنچه از جدول ٦ و شکل ١١ مشخص میباشد، تغییرات گسترده در مساحت لندفرم های سطحی ژئومورفولوژی حوضه ی آبریز قرنقو است که نشان از پویایی فرآیندهای مؤثر در لندفرم ها و عملکرد قوی نیروهای زمین ساخت به خصوص دینامیک بیرونی و فعالیت های انسانی در تحول و تکامل فرم های ژئومورفولوژی است .